es.wedoany.com Noticia: GitHub ha lanzado Qubot, un agente de inteligencia artificial para análisis interno, diseñado para que los empleados puedan consultar cualquier modelo de datos en el almacén de datos mediante lenguaje natural y obtener respuestas en cuestión de segundos.
Las grandes organizaciones de datos y análisis a menudo enfrentan dificultades para lograr un acceso autoservicio a los datos y las perspectivas. GitHub cuenta internamente con docenas de equipos de producto, y brindarles soporte analítico especializado es un desafío, por lo que muchos equipos deben resolver sus propios problemas de análisis de datos. Aunque existe una gran cantidad de datos de telemetría de productos valiosos para la toma de decisiones, sin el apoyo de un analista de datos, determinar el modelo de datos, la granularidad, los filtros, escribir consultas y validar los resultados sigue siendo una tarea difícil.
Qubot, como agente de análisis interno basado en GitHub Copilot, permite a cualquier Hubber (es decir, empleado de GitHub) hacer preguntas en lenguaje natural, como "¿Qué grupo de usuarios tiene la mayor tasa de retención en esta función?" o "¿Qué producto contribuyó más a la mejora de este indicador la semana pasada?". Esta herramienta no reemplaza a las herramientas de informes o paneles de control, sino que es adecuada para preguntas exploratorias, tiene un costo de mantenimiento cero y ayuda a los equipos a familiarizarse rápidamente con conjuntos de datos desconocidos.
La arquitectura de Qubot incluye tres componentes principales: la interfaz de usuario, la capa de contexto y el motor de consultas.
La interfaz de usuario es accesible a través de Slack, VS Code y la CLI de Copilot. La interfaz de Slack no requiere configuración; cuando alguien hace una pregunta en el canal de Slack de Qubot, el sistema genera una instancia de Qubot, la respuesta se muestra directamente en Slack, y los usuarios pueden compartir los resultados y refinar las preguntas de forma iterativa. Los resultados también se almacenan como informes en Markdown en las solicitudes de extracción. Qubot se instala como un complemento en VS Code y la CLI de Copilot y está listo para usar.
La capa de contexto se construye de manera federada, y el conocimiento se personaliza según el tipo de datos. Para los datos de eventos sin procesar (capa bronce), cuenta con contexto de telemetría aportado por los equipos de producto; para los datos de hechos y dimensiones conformados (capa plata), cuenta con ejemplos de consultas y guías de uso mantenidos por los equipos de datos y análisis; para los datos de la capa oro, seleccionados para casos de uso empresarial específicos, cuenta con reglas de negocio y definiciones de indicadores. La canalización ETL enriquece la capa de contexto con señales adicionales y metadatos derivados, y se carga en tiempo de ejecución a través del servidor MCP de GitHub.
El agente de contexto simplifica la contribución de contexto federada. Los equipos pueden contribuir con contexto mediante plantillas estandarizadas o repositorios de referencia, y el agente ingiere, organiza y normaliza la información en un formato estructurado. Cada cambio en la capa de contexto o en la configuración del agente se mide antes de su publicación mediante un marco de evaluación, que incluye casos de prueba cuidadosamente diseñados, orquestación de ejecución automática y componentes de agregación estadística, para medir la precisión de las respuestas, la latencia y detectar problemas de regresión.
El motor de consultas se conecta a Kusto y Trino a través del servidor MCP. Kusto es rápido y adecuado para consultas exploratorias de datos de eventos recientes; Trino maneja uniones complejas y análisis históricos más profundos. Qubot usa Kusto por defecto y cambia automáticamente a Trino cuando es necesario.
Qubot se ha utilizado ampliamente en GitHub, con cientos de usuarios ejecutando miles de consultas. La cantidad de preguntas en los canales de datos y análisis se ha reducido significativamente, y los empleados pueden explorar los datos de manera más autónoma. La capa de contexto se ha convertido en la clave para mejorar la capacidad de razonamiento de Copilot; un contexto bien estructurado no solo hace que Qubot sea más preciso, sino que también triplica la velocidad para devolver respuestas correctas.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
